中国城市轨道交通协会

#融合城轨  #既有线改造

在城市轨道交通线网和线路的规划实践工作中，轨道交通线路及站点周边的人口和岗位覆盖情况至关重要，它不仅关系到线路的功能定位，更是影响轨道交通客流效益和建设紧迫性的关键因素。

相关数据显示（表1-表4），轨道线路两侧人口与岗位密度较高的线路，往往客流强度也较高，反映出人口岗位集聚对轨道交通客流效益的深刻影响。因此，高效、准确地统计沿线人口岗位规模，对于轨道交通线路的科学规划与建设至关重要。

数据来源：《中国城市轨道交通沿线发展态势年度报告（2023 年）》《城市轨道交通运营企业运营数据报告（2022年度）》，以上统计均不含开通未满3年的线路。

表1 深圳市“人口+岗位”密度排名前四的线路与客流强度的对比

表2 广州市“人口+岗位”密度排名前四的线路与客流强度的对比

表3 上海市“人口+岗位”密度排名前四的线路与客流强度的对比

注：上海3号线与4号线局部共走廊，因此单线客流强度有所降低。

表4 北京市“人口+岗位”密度排名前四的线路与客流强度的对比

人口与岗位统计看似基础，实则是城市规划的关键支撑。现行统计体系在支撑轨道交通规划时，暴露出方法、精度与时效的三重短板。

一是数据时效性层面，常住人口统计依赖十年一次的人口普查，工作岗位统计依赖五年一次的经济普查，且普查数据发布滞后，难以反映快速变化的城市人口与岗位分布。

二是统计精度层面，既有普查工作以街道、社区开展，人口统计的基本单位，也是街道或者社区。后期，城市规划或者交通规划人员，也可能建立交通小区或者网格做为统计分析单元，以北京为例，全北京1.64万平方公里下共划分2000余个交通小区（北京共有街道办、乡、镇共343个，交通小区2000余个），平均每个交通小区面积近8平方公里，即使城中心面积最小的一个交通小区，面积也接近1平方公里，这个小区就包含425栋建筑单体，无法满足轨道站点周边500-800米范围的精细分析需求。均质化的数据处理方式掩盖了建筑体间的差异，导致规划决策失真。

图1 北京交通模型2046个交通小区，最小的面积近1平方公里，含425栋建筑

图 2 交通小区或街道办的统计尺度难以满足轨道周边800m的分析精度

三是统计方法层面，现行统计体系主要依托周期性人口普查与经济普查，采用以人工入户调查和单位自主填报为主的传统数据采集模式。该机制存在明显的被动性，导致数据采集效率偏低且存在信息失真风险。以北京市为例，基层街道统计人员需要人均核查86户，工作强度高，且数据质量取决于被调查对象的配合意愿与调查人员的专业素养，使统计数据质量面临系统性风险。

因此，在轨道交通高质量发展、高质量规划设计的要求下，人口岗位数据统计的破解之道在于构建时空大数据监测体系。

在轨道交通的规划建设和运营中，以建筑单体作为最小统计单元具有显著优势。

在规划建设阶段，基于建筑体尺度的人口岗位统计，可以避免因交通小区、街道等在计算过程中的均质化处理导致的误差，让数据更加准确。

在规划设计阶段，线站位比选尤其是站位比选与出入口设计，需要精确掌握站点周边乃至各个象限的人口岗位数。以建筑体尺度进行统计，能够实现精细至各象限的人口岗位分布，为出入口方案设计提供有力支持。

此外，轨道交通车站的步行可达性是保障客流的关键因素。以实际步行可到达的范围统计站点周边的人口、岗位和基础设施，基于建筑体尺度统计，可以更准确地反映实际步行可达范围内的出行需求，助力站点的精细化设计。

为实现建筑体尺度精细化人口统计，需要融合城市多源时空数据。针对手机信令等数据存在数据偏差问题，利用综合扩样和深度学习等人工智能算法实现样本扩样校核和建筑体尺度人口分配，为后续规划统计分析提供数据支撑。

为支撑更精细化的城市轨道沿线人口岗位统计分析，考虑建筑单体尺度统计单元的精细化优势，将人口岗位统计基本单位从传统的“交通小区”、“网格”等较粗的尺度细化为“建筑单体”尺度，与之相匹配的，在多源数据融合及人口分布数据处理过程中，需要将各项基础数据均匹配到建筑单体尺度。

来自于遥感或航拍的建筑体矢量数据只包含建筑体轮廓、高度等基本信息，无法识别楼宇属性、规模等信息，因此无法直接用于建筑单体尺度人口分配。为了解决此问题，融合POI、AOI、手机信令数据等多源数据，并基于自然语言模型进行多源信息融合的建筑体性质识别，最终得到建筑单体的名称、功能属性、建筑规模、内部设施等信息。

图3  推算建筑单体性质和规模

利用手机信令数据可识别用户居住地、就业地，并按照500米等尺度的网格统计得到网格级样本人口。结合前述步骤得到的建筑体矢量数据、建筑物属性与建筑面积的静态权重以及基于手机信令计算的实际入住率等动态影响因素，将网格级人口数量按照综合权重分配至每一栋建筑体，得到建筑单体尺度样本人口。

手机信令数据受通信运营商市场份额及样本特征分布的影响，数据存在偏差，无法直接用于规划分析，需要对数据进行扩样校核。以人口普查数据为总量，采用深度学习等人工智能算法，按照“城市-区县-街道办-网格-建筑体”五级人口计算，对建筑体人口进行分层扩样校核，最终实现城市全域范围精细至建筑单体尺度常住人口、就业人口、流动人口、分时段人口等人口指标精准分析。同时对典型建筑体进行抽样调查，并对建筑体内实际人口与算法分配人口进行对比校核，平均数据准确度达到85%以上。

图4  建筑体级人口分布

大数据技术正深刻重塑城市轨道交通规划建设的决策范式，将人口统计的基本单元从交通小区（或街道办）缩小至建筑单体，精细至建筑体级的人口岗位数据的查询，实现了从"模糊估算"到"精准刻画"的重大跨越；相较于传统数据，建筑单体尺度的数据量呈现指数级增长，面对万亿级空间数据的计算分析，传统交通分析软件无法高效完成，需要构建高效的空间数据资产管理平台，实现大规模空间数据的高效查询计算和可视化分析展示。只需在界面轻绘拟建线路，即可获取沿线任意尺度范围内建筑单体级的人口岗位数据，让规划决策从此拥有"透视城市肌理"的智慧之眼。以下是部分应用场景展示：

在考虑新线路建设或既有线路延伸时，城市轨道交通规划部门需要快速了解不同线路方案沿线的人口岗位分布情况。借助该系统，只需在地图界面上随意绘制线路，系统就能基于多源数据融合结果，迅速计算并展示沿线各建筑单体的人口、岗位分布及汇总数据。整个过程从线路绘制到数据加载、计算完成，仅需数秒至数十秒，且结果精度达到建筑物级。

图5  平台支持自定义绘制线路方案并可快速查询人口岗位指标

轨道交通车站周边不同半径范围内的土地利用类型和人口岗位规模对车站的客流吸引范围和功能定位有着重要影响。通过该系统，以车站为中心，分别以 500 米、800 米等不同半径画圈，就能快速统计出每个圈内的人口岗位数量和分布情况。以金台路站为例，通过这一功能，可以清晰看到不同半径范围内人口岗位的聚集程度和变化趋势，为车站周边的综合开发和交通衔接提供精准的数据依据。

图6  线路300/500/800米带状范围的人口岗位密度

图7  站点300/500/800米圆形范围覆盖的人口数

图8  站点300/500/800米圆形范围覆盖的岗位数

图9  站点800米圆形范围覆盖的建筑体级人口数

轨道交通进出站乘客步行接驳比例超过 60%，统计站点周边步行可达范围内的有效人口岗位数量，对评估站点吸引力、优化步行交通设施意义重大。以某轨道交通站点为起点，按照步行时间（如 5 分钟、10 分钟）计算步行范围，系统可快速统计出该范围内的建筑物级人口岗位数据。通过分析这些数据，若发现某个站点 800 米半径覆盖人口岗位规模大，但步行 10 分钟范围内人口岗位较少，就可以判断该站点周边步行设施可能存在问题，如断头路、人行道狭窄等，进而有针对性地进行优化和改善，提高居民选择轨道交通出行的意愿。

图10  站点步行5/10/15分钟可达范围覆盖的人口数

图11  站点步行5/10/15分钟可达范围覆盖的岗位数

图12  站点步行10分钟可达范围覆盖的建筑体级岗位数

技术支撑：北京城建交通设计研究院有限公司“城市仿真”大数据研发团队、中国国际工程咨询有限公司交通业务部